name: thesis-creator description: 面向中国本科生的毕业论文全流程写作辅助系统。支持从选题到交稿的端到端工作流，包含降重优化、AIGC 降低和本地检测功能。用户说「帮我写论文」或「帮我降重」等时触发。

论文创作 Agent 系统

面向中国本科生的毕业论文全流程写作辅助系统。

核心原则

[!IMPORTANT] 工作区隔离原则：AI 始终在用户项目目录下的 thesis-workspace/ 工作。所有产出文件都在用户工作区内。

触发条件

| 触发语 | 执行动作 | |--------|----------| | 「帮我写论文，主题是…」 | 全流程（Step 0-9） | | 「帮我降重这段文字：…」 | 仅 Step 5 | | 「降低这段的 AIGC 率：…」 | 仅 Step 6：必须输出“处理前计划 → 改写文本 → 清单自检”，并按场景化重写、自然承接、轻冗余控制和高密度句拆解处理，不得只给改写结果 | | 「检测这段文字的 AIGC 率」 | AIGC 检测 | | 「帮我生成论文大纲」 | Step 0-3 | | 「初始化工作区」 | Step 0（工作区不存在直接初始化） | | 「继续」 | 仅在当前步骤的强制交互点、前置校验和质量门禁均已满足后继续流程 | | 「生成摘要」 | Step 4（仅摘要部分） | | 「生成图片」「生成图表」 | Step 8 | | 「导出 Word」「导出文档」 | Step 9 | | 「一键导出」 | Step 8+9 |

工作流程概览

flowchart LR
    A[Step 0: 初始化] --> B[Step 1-2: 准备]
    B --> C[Step 3: 大纲]
    C --> D[Step 3→4: 文献搜索与建池]
    D --> E[Step 4: 撰写]
    E --> F[Step 5-6: 降重]
    F --> G[Step 7: 合并检测]
    G --> H[Step 8: 图片生成]
    H --> I[Step 9: 导出Word]

⚠️ 流程顺序：大纲确认 → 文献搜索与建池 → 正文写作 → 合并 → 图片生成 → 导出 Word 状态文件路径：thesis-workspace/.thesis-status.json 若文件不存在，status_manager.py 会自动创建。

推荐统一入口：scripts/lifecycle.py（整合日志 + 状态管理）

继续与暂停点规则

[!IMPORTANT] 「继续」不是跳过按钮。 若当前流程仍存在强制交互点、前置校验或质量门禁未完成，则必须先完成对应动作，再允许进入下一步。

不可跳过的暂停点

1. Step 0 初始化后：必须先运行 python scripts/lifecycle.py --workspace thesis-workspace/ --check-workspace，并检查 thesis-workspace/references/prompt/background.md 是否已补全；工作区必须通过脚本初始化并生成 thesis-workspace/.thesis-config.yaml、thesis-workspace/.thesis-status.json、thesis-workspace/logs/、thesis-workspace/scripts/charts/render.py、thesis-workspace/workspace/final/images/sources 与 thesis-workspace/workspace/references/images.yaml；未完成时只能提示用户编辑，禁止直接推进到 Step 1/3。
2. Step 3 大纲确认后：必须先询问用户文献数量（20-30 / 30-50 / 15-20），并展示搜索耗时预估后，进入 Step 3→4 之间的“文献搜索与建池”阶段；该阶段不是独立 Step，但后续在 Step 4/6/7 中如发现文献不足、语种比例失衡或文献失效，必须允许回流补池后再继续写作或检测。
3. Step 4 每章写作时：必须先完成 Stage 1 要点规划，待用户确认后才能进入 Stage 2 扩写；如果当前仍停留在 Stage 1，用户回复「继续」只能视为确认本章要点，不能跳过更早的未完成门禁。
4. Step 7 合并检测后：若同一 ref_id 在终稿中重复出现，必须硬阻断并回退修正，禁止带重复引用进入 AIGC 检测；若 AIGC 检测未通过，必须回退到 Step 5/6 继续改写与审校，禁止进入 Step 8 图片生成或 Step 9 导出。
5. Step 8 图片生成前：必须按“抽取图片需求 → 准备源码文件 → 大模型填写 .dot/.mmd/.puml → 渲染 PNG → 回填 [image_N] → 完整性验证”执行；使用 scripts/charts/manifest_builder.py、source_writer.py、render.py、markdown_updater.py、validate.py，最终已渲染 AI 图片不得残留 [image_N]。

详细步骤（按需加载）

| 步骤 | 说明 | 详细文档 | |------|------|----------| | Step 0 | 工作区初始化 | workflows/step_0_init.md | | Step 3 | 生成论文大纲 | workflows/step_3_outline.md | | Step 4 | 分章节撰写 | workflows/step_4_writing.md | | Step 6 | 审校润色 | workflows/step_6_review_polish.md | | Step 7 | 合并与检测 | workflows/step_7_merge_detect.md | | Step 8 | 图片生成与渲染（ER图默认读取 background.md，优先输出教科书风格 DOT，信息不足时尽量生成并 warning） | workflows/step_8_image.md | | Step 9 | 文档导出 | workflows/step_9_export.md | | 参考文献 | 文献池管理 | workflows/reference_workflow.md |

参考文献（独立存放）

核心改进：文献池独立存放在 workspace/references/verified_references.yaml 文献校验状态：verified_doi / verified_metadata_only / broken_doi_metadata_ok / missing_doi_unverified / invalid_reference 规则说明：无 DOI 不等于假文献；允许通过元数据验证的真实文献继续进入文献池。

图片需求清单

• 正文图片占位符统一使用 [image_1]、[image_2] 等格式
• 图片需求清单统一记录到 workspace/references/images.yaml
• workspace/references/images.yaml 必须采用结构化字段，至少包含 id、title、chapter、section、source、diagram_type、engine、purpose、fact_source、placement、status、description、source_file、output_file、render_status；可选 prompt_hint 用于指导大模型生成源码
• Step 4 只负责记录 [image_N] 与 image-requirement 图片需求块，Step 8 再生成 images.yaml、准备源码文件、由大模型填写 .dot/.mmd/.puml、渲染 PNG 并回填 Markdown 图片引用
• 架构图、模块图、流程图、ER 图等 AI 图片必须先有 manifest 记录；用户提供图片必须在清单中标明 source=user 和待补状态
• 图表引擎按图类型明确映射，不自由摇摆：流程图/活动图/用例图/时序图/类图 → PlantUML (.puml)；ER 图 → Graphviz DOT (.dot)；架构图/模块图 → Mermaid (.mmd)；用户截图 → user
• 仅当流程图使用 PlantUML 生成时，必须附加固定提示词模板，并将其中主题替换为当前图表标题或用途描述：

请生成一个用于毕业论文的PlantUML流程图，主题为“{{图表主题}}”。要求：

- 使用activity diagram
- 所有节点使用中文
- 起止节点使用“开始”“结束”
- 逻辑严谨，体现完整业务流或上下文流转机制
- 包含必要循环（如存在用户持续操作、重试或追问）
- 避免语法歧义（防止被解析为class diagram）
- 图结构简洁，不超过3层嵌套
- 判断分支连线必须明确标注 Y/N
- 全图只保留一个最终结束节点，所有分支和普通路径最终汇入该结束节点
- 适合论文插图展示

只输出PlantUML代码。

• 不再默认使用 Mermaid 流程图；普通流程图同样优先走 PlantUML。
• 生成测试图或单独响应“生成流程图”类指令时，默认行为是将源码写入 thesis-workspace/workspace/final/images/sources/ 对应 .puml/.dot/.mmd 文件，而不是在控制台直接输出完整图表源码；仅在用户明确要求“只输出代码”时，才直接返回源码文本。

流程

1. Step 3 大纲确认后询问文献数量（默认 20-30 篇）
2. 多源搜索：Semantic Scholar + CrossRef + OpenAlex
3. DOI 验证：判断 4xx 错误状态码
4. 合并去重：多源结果合并，按相关度选出最相关 x 篇（scripts/references/reference_merger.py）
5. 写作时从文献池选取未占用引用
6. 文献搜索与建池阶段可回流复用：在 Step 4/6/7 任一阶段，如果当前章节缺少可用未占用文献、文献验证失败、语种比例不达标或引用密度不足，必须回到该阶段补充搜索，并增量更新 workspace/references/verified_references.yaml
7. 单篇文献整篇仅允许引用一次：一旦某个 ref_id 被正文使用一次，就必须标记为已占用，后续章节不得重复使用；Step 7 发现重复 ref_id 必须硬阻断
8. 中文文献质量不足时提示人工补充：若自动源无法满足中文文献占比 >65%，必须提示用户从 CNKI、万方、学校图书馆等外部高质量来源人工补充真实中文文献，禁止伪造
9. 文献 YAML 输出必须安全可解析：标题含英文冒号、中文冒号、括号等特殊字符时，仍必须能被 yaml.safe_load() 读取

详见 workflows/reference_workflow.md

用户工作区目录结构

thesis-workspace/
├── README.md                  # 工作区使用说明
├── .thesis-config.yaml        # 配置文件
├── references/                # 参考资料（用户放入）
│   ├── templates/             # 学校模板
│   ├── examples/              # 范文
│   ├── guidelines/            # 规范
│   └── prompt/background.md   # 论文背景（必填）
├── workspace/                 # 论文产出
│   ├── outline.md             # 大纲
│   ├── references/                # 参考文献池（独立）⭐
│   │   ├── verified_references.yaml  # 已验证文献池
│   ├── cited_references.json  # 引用记录（每章引用的ref_id）⭐
│   ├── drafts/                # 初稿（仅含临时引用编号，无参考文献列表）⭐
│   │   ├── 参考文献.md         # 合并阶段生成的参考文献（独立MD文件，GB/T 7714格式）⭐
│   ├── final/                 # 终稿
│   │   ├── 论文终稿.md         # 终稿（引用编号已重排）
│   │   ├── 论文终稿.docx
│   │   └── images/            # 图片
│   └── reports/               # 报告
├── logs/                      # 日志
└── .thesis-status.json        # 状态

⭐ 标记为本次更新新增或变更的文件

防错机制

| 问题 | 影响 | 处理 | |------|------|------| | 缺少规定动作章节 | 致命 | 自动补充 | | 设计实现未分离 | 致命 | 强制拆分 | | 章节顺序错误 | 致命 | 强制调整为：系统分析→系统设计→系统实现→系统测试→总结与展望 | | 使用 LLM 上下文合并文档 | 致命 | 必须使用 merge_drafts.py 脚本 | | 图表不足 | 严重 | 提示补充 | | 数据库表数量不足 | 严重 | 检查 background.md 表定义，确保 ≥11 张表 | | 未执行状态管理脚本 | 致命 | 每个 Step 必须通过 lifecycle.py 或 status_manager.py 记录状态，禁止大模型自行维护状态 | | 日志未通过脚本记录 | 严重 | 所有流程日志必须通过 logger.py 输出，禁止大模型自行生成日志内容 | | 文献链接 404 | 严重 | 合并前执行 reference_validator.py --check-404，404文献必须替换 | | 图片文件缺失 | 严重 | Step 8 完成后检查 images/ 目录，所有占位符必须有对应 PNG 文件 | | 参考文献虚构 | 严重 | DOI验证+重生成 | | 参考文献数量超标 | 严重 | 按相关度截取 | | 参考文献缺少中英文 | 严重 | 中文和英文文献都必须包含，缺少则触发补充搜索 | | 参考文献 YAML 解析失败 | 严重 | reference_merger.py 必须使用安全 YAML 输出，特殊字符标题保存后仍可 yaml.safe_load() | | 中文文献比例不足 | 严重 | 自动源不足时提示从 CNKI、万方、学校图书馆人工补充真实中文文献，禁止伪造 | | 引用复用同一 ref_id | 严重 | 同一篇文献整篇仅允许引用一次，发现重复占用必须硬阻断并回流补池改写引用 | | AI模板词超标 | 中等 | 按 Step 6 的 AIGC 标准流程处理：先做处理前计划，再按“场景化重写 → 结构重组 → 细节注入 → 自然承接与轻冗余 → 高密度句拆句解释 → 语言去模板化”改写，最后输出清单自检；禁止只做同义替换、删词式压缩或只给改写结果 | | AIGC 降低缺少自检清单 | 严重 | 必须补齐处理前计划、改写文本、自检表；自检项出现“未通过”时继续局部修正，不得交付为最终版 | | 章节内自建参考文献列表 | 中等 | 删除，合并阶段统一生成 | | background.md 为空或未完善 | 致命 | 提示用户编辑 thesis-workspace/references/prompt/background.md，禁止控制台交互式输入 | | ER 图事实源不一致 | 严重 | Step 8 的 ER 图默认读取 background.md，仅 ER 图受 thesis-workspace/.thesis-config.yaml 的 er_modeling 配置影响，优先输出教科书风格 DOT，且 DOT 输出不要显式使用 label= |

Prompt 文件（写作时加载）

| 文件 | 说明 | 加载时机 | |------|------|----------| | prompts/writer_guidelines.md | 写作规范 | Step 4 | | prompts/aigc_reducer_prompt.md | AIGC 表达质量优化与深度人工化流程，按场景化重写、自然承接、轻冗余控制和高密度句拆句解释执行 | Step 6 | | prompts/humanizer_guidelines.md | 人工化改写细则与风险边界，约束自然过渡、轻冗余和拆句解释不得破坏学术语体 | Step 6 | | prompts/reference_citation_prompt.md | 引用铁律 | Step 4 | | workspace/references/verified_references.yaml | 文献池 | 必须加载 |

Script 文件

| 文件 | 说明 | |------|------| | scripts/references/reference_engine.py | 多源搜索 + DOI验证 | | scripts/references/reference_merger.py | 文献合并去重 + 选出最相关 x 篇 | | scripts/document_exporter.py | Word导出 + 图片插入 | | scripts/merge_drafts.py | 章节合并 | | scripts/aigc/detect.py | AIGC检测 | | scripts/aigc/technical_detect.py | 技术论文 AIGC 检测 | | scripts/charts/manifest_builder.py | 从正文 [image_N] 与 image-requirement 生成或更新 images.yaml | | scripts/charts/source_writer.py | 根据 images.yaml 准备并校验 .mmd/.dot/.puml 源码文件 | | scripts/charts/render.py | 按 Mermaid、Graphviz、PlantUML 渲染 PNG | | scripts/charts/markdown_updater.py | 将已渲染图片回填为 Markdown 图片引用 | | scripts/charts/validate.py | 校验源码、PNG、占位符和用户待补截图状态 |

致谢

致谢生成位于 Step 4（与摘要同阶段），输出文件为 workspace/drafts/致谢.md，由 merge_drafts.py 在合并阶段自动纳入终稿。

注意：致谢不计入七章正文结构，但属于论文交付的必备内容之一。

论文创作 Agent 系统

面向中国本科生的毕业论文全流程写作辅助系统

从选题到交稿，一句话搞定

功能特性 • 快速开始 • 使用文档 • 贡献指南

简介

论文创作 Agent 系统是一个基于 Claude Code 的毕业论文写作辅助工具。通过智能化的 10 步工作流，帮助本科生高效完成毕业论文创作，同时提供降重优化、AIGC 检测和文献真实性验证功能。

功能特性

| 特性 | 说明 | | :---------------- | :----------------------------------- | | 🔄 全流程覆盖 | 从选题到交稿的端到端工作流 | | 📉 降重优化 | 句式重构、同义替换、段落重组 | | 🤖 AIGC 降低 | 场景化重写、自然承接、轻冗余控制和高密度句拆解，降低模板化与机械表达特征 | | 🔗 自然承接语 | 压缩模板化连接词，允许“具体来说、换句话说、放到实际使用里看”等解释型转场 | | 🪶 轻冗余控制 | 删除机械废话，保留少量“通常、往往、也会、在一定程度上”等缓冲词 | | 🧩 高密度句拆解 | 将职责、流程、目标塞在一句内的内容拆成主干、动作和解释层 | | 📚 成语适度使用 | 仅在非技术性总结或维护效果说明处少量使用，避免技术细节附近堆砌 | | 🔍 本地检测 | 轻量级 AIGC 检测工具，快速预估检测率 | | 📝 格式检查 | 自动检查论文结构规范性 | | 💬 智能讨论 | 三轮深入讨论充分理解论文需求 | | 🖼️ 图片生成 | 从图片需求清单生成 Mermaid、Graphviz、PlantUML 图表，并支持用户截图占位 | | 📄 图片插入 | Word 文档自动插入图片和图注 | | 📚 文献验证 | 三源学术搜索 + DOI 验证 + 虚构文献自动替换 ⭐ NEW | | ⚙️ 配置化 | YAML 配置文件，API Key / 日志 / 导出格式可配置 ⭐ NEW | | 📝 摘要生成 | 自动生成中英文摘要与关键词 ⭐ NEW | | 📊 文档导出 | 支持 Word/PDF 格式一键导出 |

AIGC 降低效果展示

改写示例

检索增强生成（Retrieval-Augmented Generation，RAG）技术的出现，为解决上述问题提供了有效方案。RAG通过将检索系统与大模型结合，使模型能够基于特定知识库生成回答，显著提升了回答的准确性和可靠性。 从实践角度看，中小企业在部署AI知识库时面临诸多挑战。商业化的企业级知识管理产品往往价格昂贵、部署复杂，难以满足中小企业的实际需求。开源方案虽然成本较低，但技术门槛高、集成难度大
。因此，设计一个技术成熟、部署灵活、成本可控的AI知识库系统，对推动中小企业数字化转型具有重要的实践意义。

国内外研究现状
知识管理领域的研究始于20世纪90年代。Nonaka于1995年提出的SECI知识创造模型，系统阐述了隐性知识与显性知识的转化过程，为后续研究奠定了理论基础[3]。进入21世纪后，随着互联网技术的发展
，知识管理系统的研究重心逐渐从理论框架转向技术实现。
在知识表示与存储方面，知识图谱（Knowledge Graph）技术成为研究热点。2012年，Google正式发布知识图谱项目，将其应用于搜索引擎优化。此后，Facebook、Amazon、Microsoft等科技公司相继推
出类似产品。知识图谱通过结构化的方式表示实体及其关系，使机器能够"理解"知识语义，为智能问答提供了有力支撑[4]。学者们围绕知识图谱的构建方法、存储优化、推理机制等展开了深入研究。Bo
rdes等人提出的TransE模型开创了知识图谱嵌入学习的先河，后续的TransH、TransR等模型进一步提升了表示学习的效果[5]。
在智能问答方面，早期的研究主要基于关键词匹配和模板填充。随着深度学习技术的发展，基于神经网络的问答系统逐渐成为主流。2017年，Vaswani等人提出的Transformer架构引发了自然语言处理领
域的范式变革[6]。基于Transformer的预训练模型，如BERT、GPT系列，在问答任务上取得了突破性进展。2022年，ChatGPT的发布更是将智能问答推向了新的高度。
RAG技术的提出解决了大模型在专业领域应用中的知识局限性问题。Lewis等人于2020年首次系统阐述了RAG框架，通过引入外部知识库增强模型的生成能力[7]。此后，众多学者对RAG进行了改进和优化。
Karpukhin等人提出的DPR（Dense Passage Retrieval）方法，利用双塔编码器实现高效的语义检索[8]。Gao等人探索了RAG在医疗、法律等专业领域的应用，验证了其在垂直场景的有效性[9]。
纵观国内外研究现状，知识库系统的发展呈现出以下特点：
其一，技术架构从单一存储向多元融合演进。现代知识库系统不仅支持结构化数据和非结构化文档的统一管理，还融合了向量检索、图数据库等新技术，实现了多模态知识的高效组织。
其二，智能化程度不断提升。从早期的关键词搜索到语义检索，从简单的问答对匹配到大模型驱动的智能对话，知识库系统的交互方式日益智能化。
其三，部署模式趋于灵活。云原生架构、微服务设计的普及，使得知识库系统能够根据企业规模和需求灵活部署，降低了中小企业的使用门槛。
然而，现有研究和产品仍存在一定不足：部分商业产品价格高昂，中小企业难以承受；开源项目技术门槛较高，需要较强的研发能力；现有系统在知识图谱自动化构建、多源知识融合等方面的能力有待
提升。本研究将在现有技术基础上，设计一个适合中小企业部署的轻量级AI知识库系统

研究内容
本文围绕AI知识库系统的设计与实现展开研究，主要内容包括：
（1）系统架构设计。研究适合中小企业部署的系统架构，采用前后端分离、微服务设计思想，确保系统的可扩展性和可维护性。
（2）核心技术实现。深入研究RAG架构、向量检索、知识图谱等核心技术，设计合理的实现方案。
（3）功能模块开发。实现用户管理、知识库管理、智能问答、知识图谱、系统配置等功能模块，满足企业的实际业务需求。
（4）系统测试与优化。对系统进行功能测试和性能测试，验证系统的正确性和稳定性。

但实践层面，中小企业部署AI知识库并非一帆风顺。商业化产品动辄数十万，部署也颇为复杂；开源方案虽然免费，技术门槛却高不可攀，集成起来困难重重。这便是本研究的出发点：设计一个技术成熟、部 署灵活、成本可控的AI知识库系统，为中小企业数字化转型提供切实可行的路径。

国内外研究现状

知识管理研究起点可以追溯到20世纪90年代。Nonaka在1995年提出SECI模型，系统揭示了隐性知识与显性知识转化机制，后来者多有沿袭[3]。进入21世纪，互联网技术突飞猛进，研究重心也随之从理论框架 转向技术落地。

知识图谱的兴起是一个重要节点。2012年Google正式发布知识图谱项目后，Facebook、Amazon、Microsoft等科技巨头紧随其后。知识图谱用结构化方式表示实体及其关系，机器因此能够"理解"知识语义，智 能问答有了坚实根基[4]。围绕知识图谱的构建方法、存储优化、推理机制等，学者们展开了较为深入的研究。Bordes等人提出的TransE模型开创了知识图谱嵌入学习先河，后续的TransH、TransR等模型又将 表示学习效果推上新台阶[5]——这几篇论文在当时被引用得相当多。

智能问答的演进同样耐人寻味。早期方案依赖关键词匹配和模板填充，粗糙而僵化。深度学习入场后，基于神经网络问答系统逐渐成为主流。2017年是转折点——Vaswani等人提出的Transformer架构颠覆了自然 语言处理既有范式[6]。BERT、GPT等预训练模型相继涌现，问答任务取得长足进步。2022年ChatGPT发布，更是将智能问答推向公众视野中心。

RAG技术则在另一个维度上发力：它解决的是大模型在专业领域的知识短板。根据Lewis等人（2020）的阐述，RAG框架通过引入外部知识库来增强模型生成能力[7]。此后改进方案层出不穷：Karpukhin等人提 出DPR方法，用双塔编码器实现高效语义检索[8]；Gao等人则在医疗、法律等领域验证了RAG实战价值[9]。

纵观研究现状，知识库系统演进呈现出几条清晰脉络。技术架构层面，从单一存储走向多元融合——现代知识库系统既能管理结构化数据，也能处理非结构化文档，向量检索、图数据库等技术引入让多模态知识 组织更加高效。智能化程度持续深化，交互方式也从关键词搜索升级为语义检索，从问答对匹配进化为大模型驱动智能对话。部署模式日趋灵活，云原生架构和微服务设计逐渐普及，中小企业可以根据自身规 模和需求灵活部署。

当然，现有研究和产品仍有短板。商业产品价格令人望而却步；开源项目对研发能力要求较高；知识图谱自动化构建、多源知识融合等能力也还有提升空间。本研究将在现有技术基础上，设计一个适合中小企 业部署的轻量级AI知识库系统。

研究内容

本文围绕AI知识库系统设计与实现展开研究，主要工作包括：

（1）系统架构设计。针对中小企业部署场景，采用前后端分离、微服务设计思想，兼顾可扩展性与可维护性。

（2）核心技术实现。围绕RAG架构、向量检索、知识图谱等关键技术，设计切实可行的实现方案。

（3）功能模块开发。完成用户管理、知识库管理、智能问答、知识图谱、系统配置等模块开发工作。

（4）系统测试与优化。开展功能测试和性能测试，验证系统正确性与稳定性。

策略应用说明

| 策略 | 应用前后对比 | |------|------------| | 场景化重写 | 先判断段落功能，从真实使用场景切入，而不是只替换词语 | | 自然承接语 | 压缩「此外、综上所述」等模板连接，保留“具体来说、换句话说”等解释型转场 | | 轻冗余控制 | 保留少量“通常、往往、也会”等缓冲词，避免文本被压缩得过于生硬 | | 高密度句拆解 | 将职责、动作、目标集中的长句拆成主干句、动作说明和解释层 | | 条款结构保护 | 保留（1）（2）（3）等编号、标题和顺序，只改条款内部表达 | | 学术边界 | 不新增虚构接口、表结构、实验指标或参考文献，避免口语化和宣传化 |

📌 AIGC检测率对比

⚠️ 重要提示

[!WARNING] 关于 AIGC 降低的客观认知

降低检测率的同时，文本可能会失去部分学术严谨性。

• 成语替换可能让学术表达显得稍显文学化
• 「的」字删除需谨慎处理，过长定语保留可读性
• 微瑕疵模拟不应影响核心论点的逻辑清晰
• 不同学科对成语接受度不同，请参考学科适配表

建议：将降重视为辅助工具，最终内容需人工审核确保学术质量。

工作流程

┌─────────────────────────────────────────────────────────────┐
│                      论文创作工作流                           │
├─────────────────────────────────────────────────────────────┤
│  Step 0: 初始化工作区                                        │
│      ↓                                                       │
│  Step 1: 环境准备  →  Step 1.5: 背景信息讨论                  │
│      ↓                                                       │
│  Step 2: 读取参考资料  →  Step 3: 生成论文大纲                │
│      ↓                                                       │
│  Step 4: 分章节撰写（含摘要生成）→  Step 5: 降重处理           │
│      ↓                                                       │
│  Step 6: AIGC 人性化  →  Step 7: 合并检测                     │
│      ↓                                                       │
│  Step 8: 图片生成与渲染 🖼️                                   │
│      ↓                                                       │
│  Step 9: 文档导出（Word/PDF + 图片插入）                      │
└─────────────────────────────────────────────────────────────┘

各平台查重及 AIGC 检测结果

朱雀全文检测

PaperPass检测

paperYY检测

快速开始

前置要求

• Python 3.9+
• Claude Code 已安装
• Windows 10/11

安装

方式一：Claude Skill 安装

# 自然语言安装
帮我安装下 skill，项目地址是：https://github.com/Stars-OC/thesis-creator.git

# 从 GitHub 安装
git clone https://github.com/Stars-OC/thesis-creator.git
将文件放入./claude-skills/skills/ 下

# 市场安装 (待进行)

方式二：OpenSkills 安装

使用 OpenSkills 包管理器安装：

# 安装 OpenSkills CLI（如未安装）
pip install openskills

# 或从 GitHub 安装
openskills install https://github.com/Stars-OC/thesis-creator.git
openskills sync

方式三：完整安装（推荐）

包含 Python 工具和依赖：

# 克隆仓库
git clone https://github.com/Stars-OC/thesis-creator.git
cd thesis-creator

# 安装 Python 依赖
.\scripts\install.ps1

# 创建虚拟环境
python -m venv .venv

# 激活虚拟环境
.\.venv\Scripts\Activate.ps1

# 安装依赖
pip install -r scripts\requirements.txt

使用

1. 准备参考资料

references/
├── templates/         # 学校论文格式模板
├── examples/          # 优秀范文
├── guidelines/